مقایسه مدل شبکه عصبی مصنوعی با مدل منطق فازی در ارزیابی خطر زمین‌لغزش(مطالعه موردی حوضه آبریز سیمره چنار)

نوع مقاله: مقاله پژوهشی

نویسندگان

دانشگاه محقق اردبیلی

چکیده

زمین‌لغزش به عنوان یکی از مخاطرات طبیعی در مناطق کوهستانی هر ساله منجر به خسارات زیادی می‌شود. حوضه آبریز سیمره چنار، با داشتن ویژگی های کوهستانی و شرایط طبیعی مختلف دارای استعداد بالقوه زمین‌لغزش است. هدف از این پژوهش، مقایسه مدل شبکه عصبی مصنوعی با مدل منطق فازی، جهت ارزیابی خطر زمین لغزش در حوضه سیمره چنار است. بدین جهت ابتدا پارامترهای مؤثر در وقوع زمین‌لغزش استخراج و سپس لایه‌های مربوطه تهیه‌ شده است. سپس نقشه پراکنش زمین‌لغزش‌های رخ‌داده شده حوضه تهیه و با تلفیق نقشه عوامل مؤثر بر لغزش با نقشه پراکنش زمین‌لغزش‌ها، تأثیر هر یک از عوامل شیب، جهت شیب، سنگ‌شناسی، بارش، فاصله از گسل، کاربری اراضی، خاک، فاصله از آبراهه در محیط نرم‌افزار ArcGIS محاسبه گردید. در این مطالعه به منظور مقایسه مدل‌ها، در پهنه‌بندی خطر زمین‌لغزش حوضه سیمره چنار، از مدل‌های شبکه عصبی مصنوعی و منطق فازی استفاده گردید. در مدل‌ شبکه عصبی مصنوعی الگوریتم پس انتشار خطا و تابع فعال‌سازی سیگموئید بکار گرفته شد. ساختار نهایی شبکه دارای 8 نرون در لایه ورودی، 14 نرون در لایه پنهان و 1 نرون در لایه خروجی گردید. پس از بهینه شدن ساختمان شبکه، کل اطلاعات منطقه در اختیار شبکه قرار گرفت و در نهایت با توجه به وزن خروجی، نقشه پهنه‌بندی زمین‌لغزش تهیه شد. در مدل منطق فازی از اپراتورهای عملگراجتماعفازی، عملگراشتراکفازی، عملگرضربجبری فازی، عملگرجمعجبری فازی، عملگرگاما فازی مدل منطق فازی استفاده شد. برای ارزیابی نتایج خروجی مدل‌های مورد استفاده در برآورد خطر لغزش منطقه از ضریب آماری کاپا استفاده شد. نتایج بدست آمده نشان می‌دهد که مدل شبکه عصبی مصنوعی با ضریب کاپای 91/0 مدل کارآمدتری نسبت به مدل منطق فازی در تهیه نقشه خطر لغزش‌های حوضه سیمره چنار است. از میان عوامل تاثیرگذار بر زمین لغزش در منطقه مورد مطالعه عامل شیب به عنوان مهمترین عامل و عوامل سنگ‌شناسی و خاک در مراتب بعدی قرار گرفتند. بر اساس پهنه‌بندی صورت گرفته با استفاده از مدل شبکه عصبی مصنوعی، به ترتیب 12/10، 92/22، 04/31، 76/20، 16/15 درصد از مساحت منطقه در کلاس‌های خطر خیلی‌کم، کم، متوسط، زیاد و خیلی‌زیاد قرار گرفته است.

کلیدواژه‌ها


عنوان مقاله [English]

A Comparison of Artificial Neural Network Model With Fuzzy logic model In Landslide Hazard Assessment

نویسندگان [English]

  • sayyad asghari
  • imanali balvasi
چکیده [English]

Introduction
Landslide is considered as one of the natural hazards ever occurring throughout the world and is of great importance. This phenomenon is one of the major geomorphic processes affecting the evolutionary landscape in mountainous regions, which has caused catastrophic accidents. Due to the special climate conditions, physiography and change of the country, Iran has always faced with the problem of mass movements, and it is necessary to pay attention to this natural limitation. Lorestan province also has diverse geological features such as petrography, land management, seismicity and special climate conditions, including areas with slip potential. The topographic and geological conditions of the study area are such that the slip of rock and soil fragments from small to large scale has been provided.
                                                                                                                Methodology
Fuzzy logic is a logic of several values, that is, its parameters and variables, in addition to the number of 0 or 1, can take all the values between these two numbers. The basis of the difference between fuzzy methods and other methods is to define the membership function. The membership function can be used to determine the degree of attribution of the elements of the reference set to its subset. The operator of the fuzzy society is the collection community.In this way, it extracts the maximum membership membership. The fuzzy subscription operator is the collection subscription. In that way, it extracts the minimum degree of membership. Fuzzy algebraic multiplication multiplies all the information layers together. Because of the nature of the numbers between zero and one, which is the same as the membership membership in a fuzzy set, the operator makes the number of the numbers smaller and goes down to zero. The complementary fuzzy algebra operator is obtained by the algebraic multiplication. Therefore, in the outbound map, unlike the fuzzy algebraic operator, the value of pixels goes toward one. The fuzzy gamma operator is the product of multiplication, fuzzy coherent multiplication in the fuzzy algebraic summation. The results obtained from this operator are more accurate than other operators.An artificial neural network is a computational mechanism that can provide a series of new information by gathering information and calculating them. In the artificial neural network, the structure of the human brain and the body's neural network is similar to that of a brain that has the power to learn, make and decide. In the neural network model for preparing the network from the layers, along with a number of real samples, they entered the network as inputs, and with this method a pattern was obtained between the input parameters and the areas where the landslide was located. A probability ratio was used to determine the land slide sensitivity index. In order to facilitate artificial neural network convergence, the values ​​of the input neurons were normalized. To estimate the accuracy of artificial neural network, the mean squared error error was used.
Results and discussion
An artificial neural network with multilayer perceptron structure with error propagation algorithm and non-linear sigmoid function as an activation function was used. The simple learning factor was ignored because of convergence and failure to make a valid error. Also, the error rate of the variable learning coefficient was higher than the Levenberg-Marquard method, which is why the Levenberg-Marquard method was used. For training and network testing, 80% of the data was used for training and 20% for testing. The final structure of the 1-14-8 grid was considered appropriate and based on this structure, the final zoning was performed.The operators of the fuzzy logic model were used. The result of the fuzzy community operator generated the maximum membership membership membership. The fuzzy share operator extracts the minimum membership membership. The result of the operator of the fuzzy algebraic multiplication is reduced to zero numbers. The output map of the operator of the fuzzy algebra sum of the value of the pixels is close to the maximum. In order to modulate the very high sensitivity of the fuzzy algebraic operator and the very low accuracy of the fuzzy algebraic operator, a 0.9% gamma-gamma operator was used. Kappa coefficient for artificial neural network model was 0.83 and for fuzzy logic model 0.66.
Conclusion
The evaluation of the results obtained from the fuzzy logic model and the artificial neural network using kappa statistical coefficient shows that the artificial neural network with Kappa statistical coefficient is 0.91 compared to the fuzzy logic model with a kappa coefficient of 0.88 more than the prediction of the risk of landslide In the Seymareh Chenar Basin. Based on the zoning, the artificial neural network model was 10.12, 22.92, 31.44, 20.76, 15.16 percent of the area in the low, medium, high and very high risk classes has it.

کلیدواژه‌ها [English]

  • Landslide
  • Artificial Neural Network
  • Seymareh Chinar Basin
  • Geographic information system
  • Fuzzy Logic Model
  • احمدی، حسن؛ محمدخان، شیرین؛ فیض‌نیا، سادات؛ قدوسی، جمال،1384، ساخت مدل منطقه‌ای خطر حرکت‌های توده‌ای با استفاده از ویژگی‌های کیفی و تحلیل سلسله مراتبی سیستم‌ها حوضه آبخیز طالقان، مجله منابع طبیعی ایران، 58 صص. 3-14.
  • اشقلی فراهانی، علی، 1380، ارزیابی خطر ناپایداری دامنه‌های طبیعی در منطقه رودبار با استفاده از تئوری فازی، پایان‌نامه کارشناسی ارشد زمین‌شناسی مهندسی، دانشگاه تربیت‌معلم تهران،ص. 142.
  • بلواسی،ایمانعلی؛ رضایی‌مقدم،محمدحسین؛ نیکجو،محمدرضا؛ ولیزاده کامران،خلیل، 1394، مقایسه مدل شبکه عصبی مصنوعی با فرآیند تحلیل سلسله مراتبی در ارزیابی خطر زمین لغزش، دانش مخاطرات، دوره2، شماره2، صص.250-225.
  • راکعی، بابک؛ خامه‌چیان، ماشاالله؛ عبدالملکی، پرویز؛ گیاهچی پانته‌ا، 1386، کاربرد شبکه عصبی مصنوعی در پهنه بندی خطر زمین‌لغزش، مجله علوم دانشگاه تهران،33(1) صص.57-64.
  • روستایی، شهرام؛ احمدزاده، حسن، 1391، پهنه‌بندی مناطق متأثر از خطر زمین‌لغزش در جاده‌ی تبریز- مرند با استفاده از سنجش‌ازدور و GIS، پژوهش‌های ژئومورفولوژی کمی، شماره‌ی 1، صص. 47-58.
  • سازمان جغرافیایی نیروهای مسلح، نقشه توپوگرافی1:50000 الشتر، نهاوند، فیروزآباد و قلعه حاتم.
  • سازمان زمین شناسی کشور، نقشه 1:100000 خرم آباد.
  • سازمان زمین شناسی کشور، نقشه 1:100000 همدان.
  • سازمان هواشناسی لرستان، آمار بیست ساله ایستگاههای باران‌سنجی و سینوپتیک.
  • سپهوند، علی‌رضا، 1389، پهنه بندی خطر زمین‌لغزش با استفاده از شبکه عصبی مصنوعی در بخشی از حوزه آبخیز هراز، پایان نامه کارشناسی ارشد، دانشکده منابع طبیعی و علوم دریایی نور، دانشگاه تربیت مدرس.
  • سوری، سلمان؛ لشگری پور، غلامرضا؛ غفوری، محمد، 1391، پهنه بندی خطر زمین‌لغزش با استفاده از شبکه عصبی مصنوعی، نشریه زمین شناسی مهندسی، جلد 5 شماره 2، صص. 1269-1286.
  • شادفر صمد؛ یمانی مجتبی؛ غیومیان جعفر، 1386 ، پهنه بندی خطر زمین لغزش با استفاده از روش تحلیل سلسله مراتبی، پژوهش و سازندگی در منابع طبیعی، 75 صص. 118-126.
  • شادفر، صمد؛ یمانی، مجتبی؛ نمکی، محمد،1384،پهنه بندی خطر زمین لغزش با استفاده از مدل‌های ارزش اطلاعاتی، تراکم سطح و LENR در حوضه چالکرود، مجله آب و آبخیز،3 صص. 62-68.
  • شیرانی، کوروش؛ سیف، عبدالله، 1391، پهنه‌بندی خطر زمین‌لغزش شهرستان فریدون‌شهر با استفاده از روش‌های آماری ، مجله علوم زمین، سال بیست و دوم، شماره 85، صص. 158-149.
  • علی‌محمدی، صفیه؛ پاشایی اول، عباس؛ شتایی جویباری، شعبان؛ پارسایی، لطف الله، 1388، ارزیابی کارایی مدل‌های پهنه‌بندی خطر زمین‌لغزش در حوضه آبخیز سید کلاته رامیان، مجله پژوهش‌های حفاظت آب‌وخاک، دوره شانزدهم، شماره اول، صص. 78-59.
  • فاطمی عقدا، سیدمحمود؛ غیومیان، جعفر، 1382، ارزیابی کارایی روش‌های آماری در تعیین پتانسیل خطر زمین‌لغزش، مجله علوم زمین، شماره 11، صص. 28-47.
  • فیض اله پور، مهدی، 1391،  پهنه بندی مناطق مستعد لغزش در رودخانه گیوی چای با استفاده از مدل شبکه عصبی مصنوعی، رساله دکتری، دانشگاه تبریز، تبریز.
  • فیض‌نیا، سادات؛ کلارستاقی، عطاالله؛ احمدی، حسن،1383، بررسی عوامل موثر در وقوع زمین‌لغزش‌ها و پهنه‌بندی خطر زمین‌لغزش، مجله منابع طبیعی ایران، 57 (1) صص. 3-20.
  • قدسی پور، سید حسن، 1388، فرآیند تحلیل سلسله مراتبی، انتشارات دانشگاه صنعتی امیرکبیر ، چاپ هفتم، تهران.
  • کرم، عبدالامیر، 1380، مدلسازی کمی و پهنه بندی خطر زمین‌لغزش در زاگرس چین خورده، رساله دکتری جغرافیای طبیعی، دانشگاه تربیت مدرس، ص. 354.
  • کورکی نژاد، محمد،1380، مقایسه کارایی دو مدل پهنه بندی خطر زمین لغزش(حائری و مورا) با استفاده از ساج در حوضه آبخیز سیاه رودبارگرگان، پایان نامه کارشناسی ارشد، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، ص. 24.
  • کیا، مصطفی، 1389، شبکه‌های عصبی در متلب، انتشارات کیان رایانه سبز، ص. 229.
  • محمدی، محمدرضا، 1386، تحلیل خطر حرکات توده‌ای و ارائه مدل منطقه‌ای مناسب بخشی از حوضه آبخیز هراز با استفاده ازGIS  ، پایان نامه کارشناسی ارشد، دانشگاه تربیت مدرس، دانشکده منابع طبیعی و علوم دریایی، ص. 79.
  • مرادی، حمیدرضا؛ سپهوند، علی؛ عبدالمالکی، پرویز، 1389، بررسی کارایی شبکه عصبی مصنوعی برای پهنه‌بندی خطر زمین‌لغزش، مجموعه مقالات ششمین همایش ملّی علوم و مهندسی آبخیزداری و چهارمین همایش ملّی فرسایش و رسوب، گروه مهندسی آبخیزداری دانشکده منابع طبیعی و علوم دریایی دانشگاه تربیت مدرس.
  • موسوی‌خطیر، سیده زهره؛ کاویان، عطا الله؛ سلیمانی، کریم، 1389، تهیه نقشه حساسیت به وقوع زمین‌لغزش در حوضه آبخیز سجارود با استفاده از رگرسیون لجستیک، مجله علوم و فنون کشاورزی و منابع طبیعی، علوم آب‌وخاک، سال چهاردهم، شماره 53، صص.112- 99.
  • معماریان حسین،١٣٧٤، زمین شناسی مهندسی و ژئوتکنیک، انتشارات دانشگاه تهران.
  • منهاج، محمدباقر، 1381، مبانی شبکه های عصبی، انتشارات صنعتی امیرکبیر ، ص.715 .
  • ناجی، سیدمحمود، 1385، پهنه بندی خطر لغزش در محور ساری-کیاسر، پایان نامه کارشناسی ارشد زمین شناسی زیست محیطی، دانشگاه صنعتی شاهرود، ص. 86.
  • نیازی، یعقوب؛ اختصاصی، محمدرضا؛ طالبی، علی؛ آرخی، صالح؛ مختاری، محمدحسین، 1389، ارزیابی کارایی مدل آماری دو متغیره در پیش‌بینی خطر زمین‌لغزش در حوضه سد ایلام، مجله علمی و پژوهشی علوم و مهندسی آبخیزداری ایران سال 4، شماره 10، بهار صص. 20-9.
  • یمانی، مجتبی؛ حسن پور، سیروس؛ مصطفایی، ابوالفضل؛ شادمان رود پشتی، مجید، 1391، نقشه پهنه‌بندی خطر زمین‌لغزش در حوضه آبخیز کارون بزرگ با استفاده از مدل AHP در محیط GIS؛ جغرافیا و برنامه‌ریزی محیطی، سال 23، پیاپی، 48، شماره 4، صص. 56-34.
    • Binaghi, E., Luzi, L., Madella, P., Pergalani, F., Rampini, A. 1998. Slope instability zonation: acomparison between certainty factor and fuzzy dempster– shafer approaches, Natural Hazards, 17, 77–97.
    • Biswajeet Paradhan, 2010, Remote sensing and GIS based Lanslid hazard analysis and cross validation using multivariate logistic regression model on three test ares in Malaysia.
    • Caniani D., Pascale S., Sdao F., Sole A., 2008: Neural networks and landslidesusceptibility: a case study of the urban area of Potenza, Natural Hazards, 45:55–72.
    •   Chau, K.T and J. E. Chan. 2005. Regional bias of landslide data in generating        susceptibility maps using logistic regression for Hong Kong Island. Landslides 280-290.
    • Felicisimo, A., Cuartero, A., Remondo, J., Quirós, E., 2013. Mapping landslide susceptibility with logistic regression, multiple adaptive regression splines, classification and regression trees, and maximum entropy methods: a comparative study, J of Landslide, 10:175–189.
    • Gomez, H., Kavzoglu, T., 2005, Assessment of shallow landslide susceptibility using artificial neural networks in Jabonosa River Basin, Venezuela, Engineering Geology, 78: 11-27.
    • Hattanji, T., & Moriwaki, H., (2009), Morphometric analysis of relic landslides using detailed landslide distribution maps: Implications for forecasting travel distance of future landslides. Journal of Geomorphology, No, 103, Pp. 447-454.
    • Hosainezadeh. M., M. Servati., A. Mansouri., B. Mirbagheri., S. Khezri., 2009. Zoning risk of mass movements using a logistic regression model (case study: the path of the Sanandaj - Dehgolan). journal of Iran Geology 11, 27- 37.
    • Kanungo, D., Arora, M., Sarkar, S., and Gupta,  R., 2006,  A Comparative  Study  of  Conventioonal, ANN Blak Box, Fuzzy and Combined Neural and Fuzzy Weighting Proccedures for Landslide Suceptibility Zonation in Darjeeling Himalayas, engineering Geology, Vol. 85, pp. 347-366.
    • Komac, M. 2006. A landslide suscepility model using the Analytical HierarchyProcess method and multivariate statistics in perialpine Slovenia.
    • Van Western, C. J. 1997. Statistical landslide hazard analysis. ILWIS 2.1 for windows applications guide. ITC publication, Enscheda, 73-84.
    • Lan, H.X., Zhou, C.H., Wang, L.J., Zhang, H.Y., Li, R.H. 2004. Landslidehazard spatial analysis and prediction using GIS in the Xiaojiang Watershed, Yunnan, China. Engineering Geology, 76, 109-128.
    • Lee S., Ryu J. H., Lee M. J., Won J. S., 2006: The Application of artificial neuralnetworks to landslidesusceptibility mapping at Janghung, Korea, MathematicalGeology, 38(2): 199-220.
    • Lee, S., Ryu. J. H., Kim, L. S., 2009, Landslide susceptibility analysis and its verification using likelihood ratio, logistic regression, and artificial neural network models: case study of Youngin, Korea, Landslide, 4:327-338.
    • Lee, S., Ryu. J. H., Won, J.S., Park, H. J., 2004, Determination application of the weighats for landslide susceptibility mapping using an artificial neural network, Engineering Geology, 71: 289-302.
    • Melchiorre C., Matteucci M., Azzoni A., 2008: Artificial neural networks andcluster analysis inlandslide susceptibility zonation, Geomorphology, 94: 379 –400.
    • Pradhan, B., Lee, S., 2009, Landslide risk analysis using artificial neural networks model focusing on different training sites, International Journal of Physical Sciences, 4: 001-015.
    • Yilmaz, I., 2010, Landslide susceptibility mapping using frequency ratio, logistic regression, artificial neural networks and their comparison: A case study from kat landslides (Tokat-Turkey), Computers and Geosciences, 35: 1125-1138.